高空作业未系安全带识别系统 YOLOv3

高空作业未系安全带识别系统通过智能视频分析技术，算法对工地/工厂监控画面中高空作业人员未系安全带行为进行监测，不需人为干预系统监测到作业人员未穿戴安全带时，立即通知后台人员及时处理触发报警，避免发生其他意外情况。算法除了识别高空作业未戴安全带以外，未系安全带识别系统还可以自动识别未戴安全帽、穿反光衣、打架、倒地、睡岗离岗、抽烟等危险因素，并将抓拍记录保存，提升对现场施工作业过程的监控效率。

YOLOv3的主干网络Darknet-53包含卷积层（Convolutional Layer）、残差层（Residual Layer）、特征融合层（Feature Fusion Layer），网络层数的加深提高了检测精度，大量残差网络模块的引入减少了由网络层数加深引起的梯度下降问题，金字塔池化模块的引入可以实现多尺寸的输入和统一尺寸的输出。YOLOv3的颈部网络是FPN（多尺度检测，特征融合），FPN（Feature Pyramid Network）是一种用于目标检测和语义分割任务的特征金字塔网络结构。它的设计目的是解决单尺度特征提取网络在处理不同尺度目标时的困难。

随着社会的发展和人们生活水平的进步，大家对于工地工厂电力场景下高空作业行为，作业人员人身安全越来越重视。相对于高空作业而言，安全带是生命带。比如钢管脚手架上的现场施工，一般会有安全人员对安全带佩戴进行监管。但是在施工现场，相关工作人员多，流程繁杂，现场管理人员很难做到全方位无间断监管。生产现场管理现实是，施工过程中的管控几乎就是空白。算法可以充分利用施工工地原有安防监控系统，基于AI图像检测，算法对施工高空作业人员的安全带佩戴情况进行检验，将提高现场施工过程中安全作业的管控效率，并降低监督成本费。

class Detect(nn.Module):
    stride = None  # strides computed during build
    onnx_dynamic = False  # ONNX export parameter

    def __init__(self, nc=80, anchors=(), ch=(), inplace=True):  # detection layer
        super().__init__()
        self.nc = nc  # number of classes
        self.no = nc + 5  # number of outputs per anchor
        self.nl = len(anchors)  # number of detection layers
        self.na = len(anchors[0]) // 2  # number of anchors
        self.grid = [torch.zeros(1)] * self.nl  # init grid
        self.anchor_grid = [torch.zeros(1)] * self.nl  # init anchor grid
        self.register_buffer('anchors', torch.tensor(anchors).float().view(self.nl, -1, 2))  # shape(nl,na,2)
        self.m = nn.ModuleList(nn.Conv2d(x, self.no * self.na, 1) for x in ch)  # output conv
        self.inplace = inplace  # use in-place ops (e.g. slice assignment)

    def forward(self, x):
        z = []  # inference output
        for i in range(self.nl):
            x[i] = self.m[i](x[i])  # conv
            bs, _, ny, nx = x[i].shape  # x(bs,255,20,20) to x(bs,3,20,20,85)
            x[i] = x[i].view(bs, self.na, self.no, ny, nx).permute(0, 1, 3, 4, 2).contiguous()

            if not self.training:  # inference
                if self.onnx_dynamic or self.grid[i].shape[2:4] != x[i].shape[2:4]:
                    self.grid[i], self.anchor_grid[i] = self._make_grid(nx, ny, i)

                y = x[i].sigmoid()
                if self.inplace:
                    y[..., 0:2] = (y[..., 0:2] * 2 - 0.5 + self.grid[i]) * self.stride[i]  # xy
                    y[..., 2:4] = (y[..., 2:4] * 2) ** 2 * self.anchor_grid[i]  # wh
                else:  # for YOLOv5 on AWS Inferentia https://github.com/ultralytics/yolov5/pull/2953
                    xy = (y[..., 0:2] * 2 - 0.5 + self.grid[i]) * self.stride[i]  # xy
                    wh = (y[..., 2:4] * 2) ** 2 * self.anchor_grid[i]  # wh
                    y = torch.cat((xy, wh, y[..., 4:]), -1)
                z.append(y.view(bs, -1, self.no))

        return x if self.training else (torch.cat(z, 1), x)

    def _make_grid(self, nx=20, ny=20, i=0):
        d = self.anchors[i].device
        if check_version(torch.__version__, '1.10.0'):  # torch>=1.10.0 meshgrid workaround for torch>=0.7 compatibility
            yv, xv = torch.meshgrid([torch.arange(ny).to(d), torch.arange(nx).to(d)], indexing='ij')
        else:
            yv, xv = torch.meshgrid([torch.arange(ny).to(d), torch.arange(nx).to(d)])
        grid = torch.stack((xv, yv), 2).expand((1, self.na, ny, nx, 2)).float()
        anchor_grid = (self.anchors[i].clone() * self.stride[i]) \
            .view((1, self.na, 1, 1, 2)).expand((1, self.na, ny, nx, 2)).float()
        return grid, anchor_grid

高空作业未系安全带识别系统利用YOLO深度学习技术，算法可以对电力、工厂、工地等高处作业区域内的人员进行7*24小时不间断自动检测识别。高空作业未系安全带识别系统若检测到人员未按照施工要求规定佩戴安全带，未系安全带识别系统可以立即将告警截图和视频推送到后台值班的相关管理者。通过AI技术，在很大程度上对现场施工作业行为是否合规，构成了超强的震慑作用，提升了作业区域内的安全施工的管控效率，保障现场施工作业人员人身安全。